subplot函數(shù)怎么用？subplot(2,2,3)

大家好，關(guān)于subplot函數(shù)怎么用很多朋友都還不太明白，今天小編就來為大家分享關(guān)于subplot(2,2,3)的知識(shí)，希望對(duì)各位有所幫助！

subplot在python語言中代表什么

subplot(numRows,numCols,plotNum)其作用是把一個(gè)繪圖區(qū)域分為多個(gè)子區(qū)域，并把需要繪制出來的圖畫在分好的指定區(qū)域內(nèi)。

函數(shù)的意思是將整個(gè)繪圖區(qū)域分為個(gè)子區(qū)域，按照從左到右，從上到下的順序依次給子區(qū)域進(jìn)行編號(hào)，并將需要繪制的圖畫在編好的第plotNum子區(qū)域中。如果numRows，numCols，plotNum這三個(gè)數(shù)都小于10的話，可以把它們縮寫成一個(gè)三位證書。

如何高效地使用Matplotlib

引言

對(duì)新手來說Python可視化實(shí)在有些令人挫敗。有很多不同的選項(xiàng)，如何選擇正確的選項(xiàng)是一個(gè)挑戰(zhàn)。例如，兩年前這篇文章《OverviewofPythonVisualizationTools》（http://pbpython.com/visualization-tools-1.html）仍然吸引了大量讀者。在那篇文章中，我否定了Matplotlib。但是，在使用過pandas、scikit-learn、seaborn和其他Python數(shù)據(jù)科學(xué)棧之后，我覺得之前否認(rèn)Matplotlib的行為有點(diǎn)不成熟。坦白講，當(dāng)時(shí)我不是很了解Matplotlib，也不懂如何在我的工作流中高效使用Matplotlib。

現(xiàn)在我學(xué)習(xí)了一些工具，了解了如何用Matplotlib使用這些工具，Matplotlib逐漸變成了必需工具。本文將展示如何使用Matplotlib。我堅(jiān)定地認(rèn)為Matplotlib是Python數(shù)據(jù)科學(xué)棧必不可少的一部分，希望這篇文章可以幫助大家了解如何使用Matplotlib進(jìn)行Python可視化。

為什么大家都在否定Matplotlib？

我認(rèn)為，Matplotlib對(duì)于新手來說比較難存在幾個(gè)原因。首先，Matplotlib有兩個(gè)界面。第一個(gè)界面基于MATLAB，使用基于狀態(tài)的接口。第二個(gè)界面是面向?qū)ο蟮慕涌凇１疚木筒徽归_介紹Matplotlib有兩個(gè)界面的原因，但了解這兩種方法在使用Matplotlib繪圖時(shí)會(huì)很重要。兩個(gè)界面會(huì)引起混淆的原因是堆棧溢出和通過谷歌搜索獲取的大量信息，新用戶將發(fā)現(xiàn)問題的多個(gè)解決方案，但是這些問題看起來類似卻不完全相同。從我的個(gè)人經(jīng)驗(yàn)來講，從以前的代碼中，我可以看出有一些Matplotlib代碼的混雜，我對(duì)此感覺很疑惑（盡管寫它們的人是我……）:-)

關(guān)鍵點(diǎn)

Matplotlib新手應(yīng)該學(xué)習(xí)和使用面向?qū)ο蟮慕涌凇?/p>

使用Matplotlib的另一個(gè)歷史性挑戰(zhàn)是一些默認(rèn)的樣式缺乏吸引力。在R使用ggplot就可以生成相當(dāng)不錯(cuò)的圖的世界中，Matplotlib相對(duì)來說有點(diǎn)丑。好消息是Matplotlib2.0中的樣式好看了很多，你可以用最小的努力生成可視化。

第三個(gè)挑戰(zhàn)是你不確定什么時(shí)候該使用Matplotlib，什么時(shí)候該使用基于Matplotlib構(gòu)建的工具，如pandas或seaborn。大部分時(shí)候做一件事都有多種選擇，但是對(duì)于新手來說選擇正確的道路有些困難。這種混淆加上兩種不同API的混淆簡直就是挫敗本敗了……

為什么使用Matplotlib？

盡管Matplotlib有這么多問題，我還是喜歡用它，因?yàn)樗軓?qiáng)大。這個(gè)庫允許你創(chuàng)建幾乎所有可視化。此外，圍繞Matplotlib有一個(gè)豐富的Python工具生態(tài)環(huán)境，很多更高級(jí)的可視化工具使用Matplotlib作為基礎(chǔ)庫。如果你想在Python數(shù)據(jù)科學(xué)棧中進(jìn)行任何操作，你需要對(duì)如何使用Matplotlib有一些基礎(chǔ)了解。這就是本文其余部分的重點(diǎn)——提供一種高效使用Matplotlib的基礎(chǔ)方法。

前提

推薦以下步驟學(xué)習(xí)如何使用Matplotlib：

1.學(xué)習(xí)Matplotlib的基本術(shù)語，具體來說就是什么是Figure和Axes。

2.一直使用面向?qū)ο蟮慕缑妫B(yǎng)成習(xí)慣。

3.用基礎(chǔ)的pandas繪圖開始可視化。

4.使用seaborn進(jìn)行稍微復(fù)雜的數(shù)據(jù)可視化。

5.使用Matplotlib自定義pandas或seaborn可視化。

下圖非常重要，有助于理解圖的不同術(shù)語。

大部分術(shù)語很直接易懂，需要牢記的是Figure是可能包含一或多個(gè)axes的最終圖像。Axes代表單個(gè)圖。一旦你理解這些是什么以及如何通過面向?qū)ο蟮腁PI評(píng)估它們，其余步驟就很簡單了。

了解這個(gè)知識(shí)還有一個(gè)好處，就是當(dāng)你在網(wǎng)絡(luò)上看東西的時(shí)候有一個(gè)出發(fā)點(diǎn)。如果你花時(shí)間了解了這個(gè)點(diǎn)，那么其他的MatplotlibAPI才有意義。此外，很多高級(jí)Python包，如seaborn和ggplot依賴于Matplotlib構(gòu)建，因此理解了基礎(chǔ)，學(xué)習(xí)更強(qiáng)大的框架才更加容易。

最后，我不是說你應(yīng)該逃避其他優(yōu)秀選項(xiàng)，如ggplot（又名ggpy）、bokeh、plotly或altair。我只是認(rèn)為你需要對(duì)matplotlib+pandas+seaborn有一個(gè)基礎(chǔ)的了解。了解基礎(chǔ)可視化棧之后，你就可以探索其他優(yōu)秀工具，根據(jù)需求做出合適的選擇。

開始

下面主要介紹如何在pandas中創(chuàng)建基礎(chǔ)的可視化以及使用Matplotlib定制最常用的項(xiàng)。了解基礎(chǔ)流程有助于更直觀地進(jìn)行自定義。

我主要關(guān)注最常見的繪圖任務(wù)，如標(biāo)注軸、調(diào)整圖形界限（limit）、更新圖標(biāo)題、保存圖像和調(diào)整圖例。

開始，我打算設(shè)置輸入，讀取一些數(shù)據(jù)：

importpandasaspd

importmatplotlib.pyplotasplt

frommatplotlib.tickerimportFuncFormatter

df=pd.read_excel("https://github.com/chris1610/pbpython/blob/master/data/sample-salesv3.xlsx?raw=true")

df.head()

數(shù)據(jù)包括2014年的銷售交易額。為簡短起見，我將總結(jié)這些數(shù)據(jù)，列出前十名客戶的采購次數(shù)和交易額。繪圖時(shí)我將對(duì)各列進(jìn)行重命名。

top_10=(df.groupby('name')['extprice','quantity'].agg({'extprice':'sum','quantity':'count'})

.sort_values(by='extprice',ascending=False))[:10].reset_index()

top_10.rename(columns={'name':'Name','extprice':'Sales','quantity':'Purchases'},inplace=True)

下圖是數(shù)據(jù)。

現(xiàn)在數(shù)據(jù)在簡單的表格形式呈現(xiàn)，我們?cè)賮砜匆幌氯绾螌?shù)據(jù)繪制成條形圖。如前所述，Matplotlib具備多種不同風(fēng)格，可用于渲染圖表。你可以使用plt.style.available查看你的系統(tǒng)可用的風(fēng)格。

plt.style.available

['seaborn-dark',

'seaborn-dark-palette',

'fivethirtyeight',

'seaborn-whitegrid',

'seaborn-darkgrid',

'seaborn',

'bmh',

'classic',

'seaborn-colorblind',

'seaborn-muted',

'seaborn-white',

'seaborn-talk',

'grayscale',

'dark_background',

'seaborn-deep',

'seaborn-bright',

'ggplot',

'seaborn-paper',

'seaborn-notebook',

'seaborn-poster',

'seaborn-ticks',

'seaborn-pastel']

使用如下簡單風(fēng)格：

plt.style.use('ggplot')

我鼓勵(lì)大家使用不同的風(fēng)格，找到自己喜歡的。

現(xiàn)在我們有了好看的風(fēng)格，第一步就是使用標(biāo)準(zhǔn)pandas繪圖函數(shù)繪制數(shù)據(jù)：

top_10.plot(kind='barh',y="Sales",x="Name")

推薦使用pandas繪圖的原因在于它是一種快速便捷地建立可視化原型的方式。

自定義圖表

如果你對(duì)該圖表的重要部分都很滿意，那么下一步就是對(duì)它執(zhí)行自定義。一些自定義（如添加標(biāo)題和標(biāo)簽）可以使用pandasplot函數(shù)輕松搞定。但是，你可能會(huì)發(fā)現(xiàn)自己需要在某個(gè)時(shí)刻跳出來。這就是我推薦你養(yǎng)成以下習(xí)慣的原因：

fig,ax=plt.subplots()

top_10.plot(kind='barh',y="Sales",x="Name",ax=ax)

生成的圖表和原始圖表基本一樣，不過我們向plt.subplots()添加了一個(gè)額外的調(diào)用，并將ax傳輸至繪圖函數(shù)。為什么要這么做呢？還記得我說在Matplotlib中獲取軸和圖像非常關(guān)鍵嗎？這里所做的就是為了達(dá)到該目的。通過ax或fig對(duì)象可以執(zhí)行任何自定義。

我們利用pandas實(shí)現(xiàn)快速繪圖，現(xiàn)在利用Matplotlib獲取所有功能。通過使用命名慣例，調(diào)整別人的解決方案適應(yīng)自己的需求變得更加直接簡單了。

假設(shè)我們想調(diào)整x極限，改變一些軸標(biāo)簽。現(xiàn)在我們?cè)赼x變量中有多個(gè)軸，可以進(jìn)行一些操作：

fig,ax=plt.subplots()

top_10.plot(kind='barh',y="Sales",x="Name",ax=ax)

ax.set_xlim([-10000,140000])

ax.set_xlabel('TotalRevenue')

ax.set_ylabel('Customer');

這是另一種改變標(biāo)題和標(biāo)簽的簡單方式：

fig,ax=plt.subplots()

top_10.plot(kind='barh',y="Sales",x="Name",ax=ax)

ax.set_xlim([-10000,140000])

ax.set(title='2014Revenue',xlabel='TotalRevenue',ylabel='Customer')

為了進(jìn)一步展示該方法，我們還可以調(diào)整圖像大小。使用plt.subplots()函數(shù)可以定義figsize，以英寸為單位。我們還可以使用ax.legend().set_visible(False)移除圖例。

fig,ax=plt.subplots(figsize=(5,6))

top_10.plot(kind='barh',y="Sales",x="Name",ax=ax)

ax.set_xlim([-10000,140000])

ax.set(title='2014Revenue',xlabel='TotalRevenue')

ax.legend().set_visible(False)

要想修改這個(gè)圖像，你可能需要執(zhí)行很多操作。圖中最礙眼的可能是總收益額的格式。Matplotlib可以使用FuncFormatter解決這一問題。該函數(shù)用途多樣，允許用戶定義的函數(shù)應(yīng)用到值，并返回格式美觀的字符串。

以下是貨幣格式化函數(shù)，用于處理數(shù)十萬美元區(qū)間的數(shù)值：

defcurrency(x,pos):

'Thetwoargsarethevalueandtickposition'

ifx>=1000000:

return'${:1.1f}M'.format(x*1e-6)

return'${:1.0f}K'.format(x*1e-3)

現(xiàn)在我們有了格式化程序函數(shù)，就需要定義它，并將其應(yīng)用到x軸。完整代碼如下：

fig,ax=plt.subplots()

top_10.plot(kind='barh',y="Sales",x="Name",ax=ax)

ax.set_xlim([-10000,140000])

ax.set(title='2014Revenue',xlabel='TotalRevenue',ylabel='Customer')

formatter=FuncFormatter(currency)

ax.xaxis.set_major_formatter(formatter)

ax.legend().set_visible(False)

這張圖美觀多了，非常好地展示了自定義問題解決方案的靈活性。最后要說的自定義特征是向圖表添加注釋。你可以使用ax.axvline()畫垂直線，使用ax.text()添加自定義文本。就以上示例，我們可以畫一條表示平均值的線，包括代表3個(gè)新客戶的標(biāo)簽。以下是完整代碼：

#Createthefigureandtheaxes

fig,ax=plt.subplots()

#Plotthedataandgettheaveraged

top_10.plot(kind='barh',y="Sales",x="Name",ax=ax)

avg=top_10['Sales'].mean()

#Setlimitsandlabels

ax.set_xlim([-10000,140000])

ax.set(title='2014Revenue',xlabel='TotalRevenue',ylabel='Customer')

#Addalinefortheaverage

ax.axvline(x=avg,color='b',label='Average',linestyle='--',linewidth=1)

#Annotatethenewcustomers

forcustin[3,5,8]:

ax.text(115000,cust,"NewCustomer")

#Formatthecurrency

formatter=FuncFormatter(currency)

ax.xaxis.set_major_formatter(formatter)

#Hidethelegend

ax.legend().set_visible(False)

這可能不是最壯觀的圖，但它確實(shí)展示了使用該方法的力量。

圖表

目前，我們所做的所有改變都是針對(duì)單個(gè)圖表。我們還能夠在圖像上添加多個(gè)表，使用不同的選項(xiàng)保存整個(gè)圖像。

如果我們確定要在同一個(gè)圖像上放置兩個(gè)表，那么我們應(yīng)該對(duì)如何做有一個(gè)基礎(chǔ)了解。首先，創(chuàng)建圖像，然后創(chuàng)建軸，再將它們繪制成圖表。使用plt.subplots()可以完成該操作：

fig,(ax0,ax1)=plt.subplots(nrows=1,ncols=2,sharey=True,figsize=(7,4))

在這個(gè)例子中，我使用nrows和ncols指定大小，這對(duì)新用戶來說比較清晰易懂。

在示例代碼中，你會(huì)經(jīng)常看到變量如1、2。我認(rèn)為使用命名參數(shù)便于稍后查看代碼時(shí)理解代碼。

我還使用sharey=True以使y軸共享相同的標(biāo)簽。

該示例很靈活，因?yàn)椴煌妮S可以解壓成ax0和ax1。現(xiàn)在我們有了這些軸，就可以像上述示例中那樣繪圖，然后把一個(gè)圖放在ax0上，另一個(gè)圖放在ax1。

#Getthefigureandtheaxes

fig,(ax0,ax1)=plt.subplots(nrows=1,ncols=2,sharey=True,figsize=(7,4))

top_10.plot(kind='barh',y="Sales",x="Name",ax=ax0)

ax0.set_xlim([-10000,140000])

ax0.set(title='Revenue',xlabel='TotalRevenue',ylabel='Customers')

#Plottheaverageasaverticalline

avg=top_10['Sales'].mean()

ax0.axvline(x=avg,color='b',label='Average',linestyle='--',linewidth=1)

#Repeatfortheunitplot

top_10.plot(kind='barh',y="Purchases",x="Name",ax=ax1)

avg=top_10['Purchases'].mean()

ax1.set(title='Units',xlabel='TotalUnits',ylabel='')

ax1.axvline(x=avg,color='b',label='Average',linestyle='--',linewidth=1)

#Titlethefigure

fig.suptitle('2014SalesAnalysis',fontsize=14,fontweight='bold');

#Hidethelegends

ax1.legend().set_visible(False)

ax0.legend().set_visible(False)

現(xiàn)在，我已經(jīng)在jupyternotebook中用%matplotlibinline展示了很多圖像。但是，在很多情況下你需要以特定格式保存圖像，將其和其他呈現(xiàn)方式整合在一起。

Matplotlib支持多種不同文件保存格式。你可以使用fig.canvas.get_supported_filetypes()查看系統(tǒng)支持的文件格式：

fig.canvas.get_supported_filetypes()

{'eps':'EncapsulatedPostscript',

'jpeg':'JointPhotographicExpertsGroup',

'jpg':'JointPhotographicExpertsGroup',

'pdf':'PortableDocumentFormat',

'pgf':'PGFcodeforLaTeX',

'png':'PortableNetworkGraphics',

'ps':'Postscript',

'raw':'RawRGBAbitmap',

'rgba':'RawRGBAbitmap',

'svg':'ScalableVectorGraphics',

'svgz':'ScalableVectorGraphics',

'tif':'TaggedImageFileFormat',

'tiff':'TaggedImageFileFormat'}

我們有fig對(duì)象，因此我們可以將圖像保存成多種格式：

fig.savefig('sales.png',transparent=False,dpi=80,bbox_inches="tight")

該版本將圖表保存為不透明背景的png文件。我還指定dpi和bbox_inches="tight"以最小化多余空白。

結(jié)論

希望該方法可以幫助大家理解如何更有效地使用Matplotlib進(jìn)行日常數(shù)據(jù)分析。

subplot在matlab中怎么用imshow

1.區(qū)別在于plot是繪制單個(gè)圖形，而subplot是繪制多個(gè)圖形。2.plot函數(shù)是用于繪制單個(gè)圖形，可以在一個(gè)坐標(biāo)系中繪制多個(gè)曲線，但是只能繪制一個(gè)圖形。而subplot函數(shù)則是用于繪制多個(gè)圖形，可以在一個(gè)畫布中繪制多個(gè)子圖，每個(gè)子圖可以有自己的坐標(biāo)系和數(shù)據(jù)。因此，subplot函數(shù)可以更加靈活地組織多個(gè)圖形。3.值得注意的是，subplot函數(shù)的參數(shù)是一個(gè)三元組，分別表示子圖的行數(shù)、列數(shù)和當(dāng)前子圖的位置。在使用subplot函數(shù)時(shí)，需要注意參數(shù)的設(shè)置，否則可能會(huì)出現(xiàn)子圖重疊或者排列不合理的情況。

matlab的響應(yīng)圖怎么看全

在MATLAB中，如果繪制的響應(yīng)圖比較大，可能會(huì)因過于密集而難以查看全部內(nèi)容。以下是一些方法可以幫助您查看響應(yīng)圖全貌：

1.使用縮放工具：在響應(yīng)圖上單擊鼠標(biāo)右鍵，在下拉菜單中選擇“ZoomIn”或“ZoomOut”命令進(jìn)行放大或縮小視圖。您也可以使用“放大鏡”工具來更精確地縮放圖像，并使其適合屏幕。

2.平移視圖：在響應(yīng)圖上單擊鼠標(biāo)右鍵，在下拉菜單中選擇“Pan”命令啟用平移模式。然后，您可以使用鼠標(biāo)拖動(dòng)圖像來查看不同部分。

3.更改坐標(biāo)軸范圍：通過更改坐標(biāo)軸的最小值和最大值，可以調(diào)整繪圖區(qū)域的大小。您可以使用“xlim”和“ylim”函數(shù)來設(shè)置X和Y軸的范圍。例如，xlim([0,10])將X軸范圍設(shè)置為從0到10。

4.繪制子圖：如果圖像非常大或復(fù)雜，您可以在一個(gè)窗口中繪制多個(gè)子圖。您可以使用“subplot”函數(shù)來創(chuàng)建一個(gè)包含多個(gè)子圖的圖像，并使用子圖編號(hào)來控制每個(gè)子圖的位置和尺寸。

5.保存圖像并查看：最后，您可以使用“saveas”函數(shù)將響應(yīng)圖保存為圖片格式，然后在其他程序中打開和查看。這樣可以幫助您更好地查看和分析響應(yīng)圖的全貌。

通過以上方法，您可以更好地查看MATLAB中的響應(yīng)圖，并了解其完整內(nèi)容。

ml繪圖怎么讓線在中間

你好，在使用ML繪圖時(shí)，讓線在中間需要進(jìn)行一些調(diào)整。首先，可以通過設(shè)置線條寬度來讓線條居中顯示。其次，可以使用繪圖庫中的坐標(biāo)系來調(diào)整線條的位置。例如，在Matplotlib中，可以使用subplot函數(shù)來創(chuàng)建一個(gè)子圖，并使用ax.spines來控制坐標(biāo)軸線的位置。

還可以使用plt.xlim和plt.ylim來控制坐標(biāo)軸的范圍，從而使線條居中顯示。

最后，可以使用plt.grid來添加網(wǎng)格線以幫助調(diào)整線條的位置。總之，讓線在中間需要對(duì)繪圖庫的功能有一定的了解和熟練掌握。

plot和subplot的區(qū)別

1.區(qū)別在于plot是繪制單個(gè)圖形，而subplot是繪制多個(gè)圖形。2.plot函數(shù)是用于繪制單個(gè)圖形，可以在一個(gè)坐標(biāo)系中繪制多個(gè)曲線，但是只能繪制一個(gè)圖形。而subplot函數(shù)則是用于繪制多個(gè)圖形，可以在一個(gè)畫布中繪制多個(gè)子圖，每個(gè)子圖可以有自己的坐標(biāo)系和數(shù)據(jù)。因此，subplot函數(shù)可以更加靈活地組織多個(gè)圖形。3.值得注意的是，subplot函數(shù)的參數(shù)是一個(gè)三元組，分別表示子圖的行數(shù)、列數(shù)和當(dāng)前子圖的位置。在使用subplot函數(shù)時(shí)，需要注意參數(shù)的設(shè)置，否則可能會(huì)出現(xiàn)子圖重疊或者排列不合理的情況。

好了，本文到此結(jié)束，如果可以幫助到大家，還望關(guān)注本站哦！